我发现当在测量尺度上处理整数值分数时，当它具有中等数量的可能分数时，或者当我们不想依赖关于双变量关系的假设时，斯皮尔曼相关性主要用于代替通常的线性相关性. 与 Pearson 系数相比，在我看来，Kendall 的 tau 的解释不如 Spearman 的 rho 直接，因为它量化了所有可能的成对事件中一致和不一致对的百分比之间的差异。在我的理解中，Kendall 的 tau 更接近Goodman-Kruskal Gamma。

我刚刚浏览了 J. Statistics Educ 中 Larry Winner 的一篇文章。（2006 年）讨论了这两种措施的使用，1975-2003 年 NASCAR 温斯顿杯比赛结果。

在这方面，我还发现了关于皮尔逊或斯皮尔曼与非正态数据相关性的@onestop答案。

值得注意的是，Kendall 的 tau（a版本）与用于预测建模的 Somers' D（和 Harrell's C）有关（参见例如，RB Newson在四个简单模型下对 Somers' D 的解释和其中的参考文献6，以及 Newson 的文章发表在 2006 年的 Stata 杂志上）。在 JSS (2006) 上发表的用于秩统计的折刀置信区间的有效计算中提供了秩和检验的概述。

根据 Kendall & Gibbons (1990) 的说法，我请这位尊贵的先生参考我之前的回答：“...... Spearman 的 r _{S的置信区间比 Kendall 的 τ 参数的置信区间更不可靠且更难解释”。}

再次有点哲学的答案；基本区别在于，Spearman 的 Rho 试图将 R^2（“方差解释”）的想法扩展到非线性相互作用，而 Kendall 的 Tau 则旨在成为非线性相关检验的检验统计量。因此，Tau 应该用于测试非线性相关性，Rho 作为 R 扩展（或者对于熟悉 R^2 的人——在有限的时间内向毫无戒心的观众解释 Tau 是痛苦的）。

以下是 Andrew Gilpin (1993)出于理论原因提倡 Kendall 的τ而不是 Spearman 的ρ的引述：

“[Kendall 的更快速地接近正态分布，因为样本量在数学上也更易于处理，特别是当存在关系时。”$τ$$ρ$$N$$τ$

参考

吉尔平，AR (1993)。Kendall 的 Tau 到 Spearman 的 Rho 的转换表，在荟萃分析的影响幅度测量的范围内。 教育和心理测量，53 (1), 87-92。